Physics-Informed Digital Twin Can Predict Cerebral Blood Flow and Cerebral Vascular Regulation Mechanisms in Neurocritical Care Patients
Notice bibliographique
Résumé
Cerebral blood flow is vital for brain function and is acutely controlled through a set of physiological mechanisms known as cerebral vascular regulation (CVR). It remains challenging to directly measure the dynamics and function of individual CVR mechanisms, limiting our ability to understand and optimize brain perfusion, particularly for neurologically injured patients. Digital twins offer an ideal tool for overcoming this gap because they enable estimation, tracking, and forecasting of unmeasured physiological states. Here, we introduce CereBRLSIM (Cerebral Blood Regulation Latent State Inference and Modeling), a digital twin that integrates physiological knowledge and patient data to infer CVR function and predict cerebral dynamics. Using both in vivo experiments and simulated data, CereBRLSIM predicted cerebral hemodynamics with high accuracy and estimated the dynamics of myogenic, endothelial, and metabolic mechanisms underlying CVR. When personalized to neurocritical care patient data, CereBRLSIM differentiated cerebral hemodynamic phenotypes, predicted patient outcomes, and forecasted blood flow with significantly higher accuracy than machine learning models. This work provides a novel, interpretable, and clinically compatible approach for quantifying CVR function and forecasting cerebral blood flow, enabling new opportunities in precision diagnostics and foundational understanding of cerebral hemodynamics.enabling new opportunities in precision diagnostics and foundational understanding of cerebral hemodynamics.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».